迈克尔·佩尔蒂埃2017年9月6日|
你能预测客户的终身价值是多少吗?否则，你可能在错误的关系上投资了。这是一个例子，说明如何在专业服务公司中使用预测分析可以对你的底线产生重大影响。如果你是一家决定是否举办某一活动的律师事务所，预测分析可以帮助你评估出席人数，从而首先评估举办活动的经济价值。
也许你正在努力使你的销售团队的效率最大化。面对着五十个机会，你如何决定将时间和资源投入其中?利用行业数据、员工数量、收入、Twitter人气、一年的时间等，你可以开发一个模型，帮助预测特定机会关闭的可能性，并适当投入你的时间和精力。
作为一家专业服务公司，你如何简化这种机器学习和预测分析?我们有六个步骤可以帮助您将这些想法转变为一个可重复的过程。
我们的六步预测分析方法
识别业务问题
预测分析解决方案的价值在于能够高度关注特定的业务挑战。也许您是一位第三方管理员(TPA)，正在试图确定某一特定事务是否属于合格费用。机器学习可以回顾所有交易，而不是对这些交易进行抽样。这将降低您的总体风险并提高效率。重要的是，不仅要定义广泛的业务挑战，还要定义可以通过预测分析解决的具体问题。
评估数据
在查看业务问题时，重要的是首先确定是否有可用的数据来处理特定问题。例如，如果交易的细节(购买的特定产品、购买地点等)无法获得，则很难确定交易是否有效。在与组织合作时，我们不仅要评估业务问题的影响，还要评估该组织用相关数据解决it的能力。
改造和精炼
有了明确定义的业务问题和可用的相关数据之后，您就可以转换和细化数据，从而使预测分析工具能够更有效地使用和消费数据。这通常涉及到数据分析，以确保我们对有问题的数据有一个清晰的理解，以及数据充实，以补充额外的、相关的数据，这些数据可能不是原始数据集的一部分。
构建模型
这就是数据科学发挥作用的地方。无论是研究分类、回归、聚类还是推荐模型，数据科学家都可以使用Azure Machine Learning Studio、R Studio和Cortana Analytics tools等工具创建一个模型，以预测的方式展示业务问题。
验证和部署
一旦您有了一个工作模型，在有限的测试中验证结果以确保模型按预期工作是很重要的。这通常通过一个并行的过程发生，我们继续使用当前的计划或预测方法，但同时运行我们的模型。通过这个过程，您可以确定模型中任何改进的潜在机会。一旦进行了任何改进，我们就通过web应用程序编程接口(API)部署模型。
整合和评估
一旦您拥有了具有web可访问API的有效模型，我们就可以将该模型合并到业务流程中。这可以非常简单地完成，将API连接到Excel之类的东西以进行简单的数据输入，或者将其合并到业务应用程序中以进行实时决策。
我们周围到处都是模式，但其中许多模式太过复杂，大多数人无法发现。如今可用的预测分析功能使发现这些模式成为可能。有了最近的创新和技术，我们现在可以把人类预测问题转化为机器学习解决方案。
